13.07.2026 · Sprzęt · ~12 min czytania

Jaki komputer do AI dla firmy? DGX Spark kontra mini PC z Ryzen AI

Jaki komputer do AI dla firmy ma dziś realny sens? Na rynku ścierają się trzy podejścia: stacje na platformie NVIDIA GB10 (DGX Spark i jego bliźniacze konstrukcje ASUS Ascent GX10 oraz MSI EdgeXpert), mini PC na procesorach AMD Ryzen AI (GMKtec EVO-X1/EVO-X2, MINIX ER936-AI) oraz klasyczne, składane samodzielnie stacje robocze AI na kartach graficznych RTX. Ceny bywają zaskakująco zbliżone — GMKtec EVO-X2 ze 128 GB RAM kosztuje ok. 15 000 zł, a ASUS GX10 od 16 000 zł — ale możliwości tych maszyn dzieli przepaść. W tym wpisie rozbieramy to porównanie na czynniki pierwsze: co naprawdę mierzą TOPS-y i petaflopy, dlaczego przepustowość pamięci bywa ważniejsza niż moc obliczeniowa i który komputer do LLM udźwignie modele klasy 120–200B parametrów.

Od czego naprawdę zależy wydajność komputera do LLM

Praca lokalnego modelu językowego składa się z dwóch faz o zupełnie różnych wymaganiach:

• Prefill (przetwarzanie promptu) — model "czyta" Twoje dane wejściowe: umowę, dokumentację, historię rozmowy. Ta faza jest ograniczona mocą obliczeniową (TOPS / FLOPS).
• Decode (generowanie odpowiedzi) — model produkuje tekst token po tokenie. Ta faza jest ograniczona przepustowością pamięci (GB/s), bo przy każdym tokenie trzeba przeczytać z RAM wszystkie aktywne wagi modelu.

Do tego dochodzi trzeci parametr — pojemność pamięci, która decyduje, czy dany model w ogóle się uruchomi. Model 70B w kwantyzacji 4-bitowej potrzebuje ok. 40–45 GB, GPT-OSS 120B w natywnym MXFP4 ok. 60–65 GB, a 230-miliardowy MiniMax M2.7 (AWQ 4-bit) — ok. 131 GB. Karta RTX 5090 z 32 GB VRAM odpada z tej ligi na starcie, niezależnie od tego, jak jest szybka.

126 TOPS kontra 1 petaflops — co znaczą te liczby?

Producenci mini PC z Ryzen AI chwalą się "126 TOPS", a NVIDIA przy GB10 podaje "1 PFLOP". Te liczby nie są wprost porównywalne, bo dotyczą różnych precyzji obliczeń i różnych układów:

• 126 TOPS w GMKtec EVO-X2 to suma teoretycznej mocy trzech układów naraz: NPU XDNA 2 (50 TOPS), zintegrowanego GPU Radeon 8060S i CPU — liczona w INT8. Haczyk: dzisiejsze silniki LLM (llama.cpp, vLLM, LM Studio) praktycznie nie używają NPU — inferencja idzie przez GPU, więc realnie dostępna jest tylko część tej liczby.
• 1 PFLOP w DGX Spark / GX10 / EdgeXpert to 1000 bilionów operacji na sekundę w FP4 (ze sparsity) na Tensor Cores 5. generacji — układzie zaprojektowanym dokładnie pod inferencję LLM. MSI podaje tę samą wartość jako 1000 AI TOPS.

Nawet po ostrożnym sprowadzeniu obu wartości do wspólnego mianownika (FP4 sparse liczy "podwójnie", INT8 to inna precyzja) platforma GB10 ma kilkukrotną — w praktyce ok. 5–8-krotną — przewagę surowej mocy AI. I widać to w testach: w publikowanych benchmarkach społeczności na modelu GPT-OSS 120B maszyny ze Strix Halo (Ryzen AI Max+ 395) przetwarzają prompt z prędkością rzędu ~340 tokenów/s, podczas gdy DGX Spark osiąga ok. ~1700 tokenów/s — różnica około 5×. Przy analizie 100-stronicowej umowy to różnica między czekaniem kilkanaście sekund a kilka minut.

Co ciekawe, w fazie generowania odpowiedzi różnica niemal znika. Dlaczego? Bo tu rządzi przepustowość pamięci, a ta jest zbliżona: 273 GB/s (GB10, LPDDR5x) kontra 256 GB/s teoretycznie (EVO-X2, LPDDR5X-8000 w konfiguracji 256-bit; realne pomiary to ok. 210–215 GB/s). Wniosek: EVO-X2 generuje tekst prawie tak szybko jak DGX Spark, ale "czyta" Twoje dokumenty kilkukrotnie wolniej. W firmowych zastosowaniach — RAG, analiza umów, przeszukiwanie baz wiedzy — to właśnie prefill jest wąskim gardłem, bo prompty są długie, a odpowiedzi krótkie.

Zawodnicy: sprzęt do AI w cenie 4–20 tys. zł

Platforma NVIDIA GB10 — DGX Spark, ASUS GX10, MSI EdgeXpert

Wszystkie trzy maszyny mają identyczne serce: superchip NVIDIA GB10 Grace Blackwell — 20 rdzeni ARM v9.2 + zintegrowane GPU Blackwell (6144 rdzeni CUDA, Tensor Cores 5. gen z natywnym FP4), 128 GB zunifikowanej pamięci LPDDR5x o przepustowości 273 GB/s i kartę ConnectX-7 (2× 200 Gb/s) do łączenia w klastry. Różnią się obudową, dyskami, gwarancją i ceną: DGX Spark Founder's Edition (4 TB, od 20 000 zł), ASUS Ascent GX10 (1/2/4 TB, od 16 000 zł — najtańszy w rodzinie) i MSI EdgeXpert MS-C931 (wersja przemysłowa z dyskami szyfrowanymi SED i 3-letnią gwarancją, od 16 000 zł). Całość działa na DGX OS z pełnym ekosystemem CUDA.

Mini PC z Ryzen AI Max+ 395 — GMKtec EVO-X2

Najciekawszy rywal. GMKtec EVO-X2 to mini PC na topowym APU AMD Strix Halo: 16 rdzeni Zen 5, GPU Radeon 8060S (40 CU RDNA 3.5), NPU XDNA 2 i — w wariancie za ok. 15 000 zł — 128 GB LPDDR5X-8000 ze wspólną pulą pamięci dla CPU i GPU. Na papierze wygląda jak "DGX Spark z Windowsem": podobna pojemność, podobna przepustowość, niższa cena o ~1000 zł. W praktyce różnice są trzy: kilkukrotnie mniejsza moc obliczeniowa (patrz wyżej), brak interfejsu klastrowego (USB4 i 2.5GbE zamiast ConnectX-7 200 Gb/s) i ekosystem — świat lokalnego AI jest zbudowany wokół CUDA, a na AMD (ROCm/Vulkan) część narzędzi działa wolniej, później lub wcale.

Mniejsze mini PC z NPU — GMKtec EVO-X1, MINIX ER936-AI

Jednostki typu GMKtec EVO-X1 (Ryzen AI 9 HX 370, 32 GB LPDDR5X-7500, Radeon 890M, do 80 TOPS) czy MINIX ER936-AI (Ryzen AI 9 365, 32 GB DDR5-5600, Radeon 880M, 73 TOPS) to zupełnie inna kategoria — mimo marketingowej etykiety "AI". Mają 32 GB pamięci o ok. dwukrotnie niższej przepustowości (pamięć dwukanałowa, a w ER936-AI wymienne moduły DDR5 zamiast lutowanego LPDDR5X). Uruchomią sprawnie modele 7–14B (asystent biurowy, klasyfikacja maili, proste podsumowania), ale Gemma 4 31B będzie na nich działać na granicy komfortu, a modele 70B+ — wcale albo w kwantyzacjach psujących jakość. To dobre komputery biurowe z bonusem AI, nie stacje robocze AI.

Stacja robocza AI na kartach graficznych — 128 GB VRAM z 4× RTX 5090

Czwarta droga to profesjonalna stacja robocza zbudowana na kartach graficznych. Pojedyncza RTX 5090 ma 32 GB pamięci GDDR7 o przepustowości ~1800 GB/s — przy modelach mieszczących się w VRAM jest 3–6× szybsza w generowaniu niż jakakolwiek pamięć zunifikowana. Żeby dorównać pojemnością platformie GB10, potrzeba czterech takich kart: 4× RTX 5090 = równe 128 GB VRAM.

Ile kosztuje taka maszyna? Same karty to wydatek ok. 60 tys. zł (RTX 5090 kosztuje w Polsce ok. 14–16 tys. zł za sztukę). Do tego platforma zdolna obsłużyć cztery karty: procesor klasy Threadripper/EPYC z odpowiednią liczbą linii PCIe 5.0, płyta główna z czterema slotami x16, 128–256 GB RAM, zasilanie o mocy ~3000 W (każda karta pobiera do 575 W), obudowa serwerowa z przemyślanym chłodzeniem — kolejne 10–15 tys. zł. Kompletna stacja zamyka się w budżecie ok. 70–80 tys. zł brutto — czyli równowartość czterech–pięciu jednostek ASUS GX10.

Co dostajesz w zamian? Przy silniku vLLM z tensor parallel taka stacja bije GB10 zarówno w prefillu, jak i w generowaniu — łączna przepustowość VRAM (teoretycznie ~7 TB/s) jest ponad 20× wyższa niż 273 GB/s pamięci zunifikowanej, a natywny FP4 na architekturze Blackwell działa identycznie jak w GB10. To także najlepsza opcja do obsługi wielu użytkowników jednocześnie (batching) i do cięższego fine-tuningu. Uwaga tylko na oprogramowanie: przy prostym podziale warstw (llama.cpp) karty pracują naprzemiennie zamiast równolegle i większość tej przewagi przepada — wielokartowa stacja ma sens wyłącznie z poprawnie skonfigurowanym tensor parallel.

Koszty nie kończą się na zakupie. Pobór mocy sięga ~2,5 kW pod obciążeniem — wobec 240 W w GX10 to przy codziennej pracy różnica liczona w tysiącach złotych rocznie na rachunku za prąd, a często także konieczność dedykowanego obwodu elektrycznego. Hałas i gabaryty wykluczają biurko w biurze — to sprzęt do serwerowni lub osobnego pomieszczenia. Mimo pełnych 128 GB ścieżka do modeli 200B+ jest ograniczona: 230-miliardowy MiniMax M2.7 (131 GB wag) już się nie mieści, a spinanie dwóch takich stacji to koszt i złożoność zupełnie innej klasy niż kabel między dwoma GX10. Taka możliwość techniczna więc istnieje — ale za 4–5× wyższą cenę i 10× wyższy pobór prądu kupujesz zapas wydajności, którego typowa firma po prostu nie wykorzysta. Dla większości zastosowań biznesowych optymalnym punktem startu pozostaje GX10.

Tabela: komputer do AI — porównanie parametrów

* Publikowane testy społeczności (llama.cpp / vLLM) na maszynach Strix Halo i DGX Spark; wartości orientacyjne, zależą od silnika, kwantyzacji i długości promptu.

Który komputer do modeli 120–200B parametrów?

Tu odpowiedź jest jednoznaczna. Oba systemy ze 128 GB załadują model klasy 120B — i GPT-OSS 120B faktycznie działa na Strix Halo zaskakująco dobrze w fazie generowania. Ale przy pracy firmowej liczy się cały cykl: wczytanie długiego kontekstu (prefill), obsługa kilku użytkowników naraz, długie okna kontekstowe zjadające dodatkowe dziesiątki GB na KV cache. W każdym z tych punktów GB10 wygrywa kilkukrotnie, a powyżej ~130B jednostka pojedyncza — obojętnie która — przestaje wystarczać.

I tu pojawia się przewaga, której mini PC z AMD nie nadrobi żadną ceną: klastrowanie. Dwa GX10 lub dwa DGX Sparki spięte kablem przez ConnectX-7 (200 Gb/s) działają jak jedna maszyna z 256 GB pamięci. Dokładnie tak serwujemy MiniMax M2.7 — 230 miliardów parametrów — model dzielony techniką tensor parallel między dwa nody, po ~61 GB wag na każdym. EVO-X2 nie ma odpowiednika tego interfejsu: łączenie przez USB4 czy 2.5GbE jest o rząd wielkości za wolne dla tensor parallel. Dla modeli 200B+ platforma GB10 to dziś jedyna biurkowa opcja.

To którą maszynę kupić? Nasza rekomendacja

• Firma wdrażająca AI na poważnie (analiza umów, RAG po bazie wiedzy, agenci, kilku użytkowników): ASUS Ascent GX10 — ta sama moc co DGX Spark, o 4000 zł taniej, z opcją dokupienia drugiej sztuki i spięcia w klaster, gdy urosną potrzeby. Sami pracujemy na tych maszynach na co dzień.
• Środowisko przemysłowe, dane wrażliwe, praca 24/7: MSI EdgeXpert — dyski z szyfrowaniem sprzętowym i 3 lata gwarancji w tej samej cenie wyjściowej.
• Pojedynczy użytkownik-entuzjasta, któremu wystarczy czat z modelem i który chce mieć też Windowsa do gier: GMKtec EVO-X2 jest uczciwą propozycją — ale trzeba zaakceptować kilkukrotnie wolniejszą pracę na długich dokumentach i węższy ekosystem narzędzi.
• Najwyższa półka wydajnościowa (wielu użytkowników naraz, maksymalna szybkość, cięższy fine-tuning): stacja na 4× RTX 5090 ze 128 GB VRAM — technicznie najszybsza opcja w zestawieniu, ale za ok. 70–80 tys. zł i ~2,5 kW poboru mocy; dla typowej firmy to zapas, którego nie wykorzysta.
• Lekkie zadania AI przy biurku (podsumowania, klasyfikacja, mały asystent 7–14B): EVO-X1 albo MINIX ER936-AI zrobią robotę za 1/3 ceny — tylko nie oczekujmy od nich modeli 70B+.

Różnica 1000 zł między EVO-X2 (15 000 zł) a GX10 (16 000 zł) to w praktyce najtańsze 5× przyspieszenie prefillingu, dostęp do CUDA i otwarta droga do klastra 405B. Dlatego w naszych wdrożeniach standardem jest platforma GB10.

Zastanawiasz się nad konkretną konfiguracją pod swoje dokumenty i procesy? Zobacz cennik wdrożenia lokalnego AI — pomożemy dobrać sprzęt, model i integracje, a wycena jest bezpłatna.